1. 首页 > 网友投稿

采蘑菇是什么梗(抖音上蘑菇采摘车什么意思)

如果你发现机器学习上手困难,那可能是因为姿势不对。意大利特伦托大学机器学习与智能优化实验室(LION实验室)的巴老师根据自己的项目写了一本书,带领大家跳坑。..

如果你还记得你小时候是如何学习阅读的,那么你就可以理解从例子中学习意味着什么,尤其是监督学习。家长和老师给你展示一些带有英文字母(a、b、c等)的例子,然后告诉你:这是a,这是b,...

当然,他们并没有使用数学公式或精确的规则来描述这些字母的几何形状。他们只是展示了一些不同风格、不同形式、不同尺寸和不同颜色的显着例子。经过一些努力和错误之后,您的大脑将能够正确识别这些实例。

但是,这并不重要,因为您实际上可以仅凭记忆就可以做到这一点。重要的是,通过这些例子的训练,你的大脑也可以提取出真正与单词识别相关的模式和规律,过滤掉不相关的“噪音”(比如颜色),然后进行泛化。识别在训练阶段从未见过的新实例。

这是一个自然的结果,但确实是一个值得注意的结果。实现这一结果不需要任何先进的理论或博士学位。

人工智能领域的先驱 Roberto Batiti 所著的《机器学习与优化》一书,可以像上面一样自然轻松地进行机器学习,也可以用来分析和解决实际业务问题。是不是很令人兴奋?

先来个实战经验:轻松学习机器学习的基本概念“最近邻法”。

本书作者居住的地方有很多山林,所以采蘑菇是一种很受欢迎的消遣。虽然采蘑菇很受欢迎也很有趣,但误食毒蘑菇会造成致命伤害(见图1)。这里的孩子们在很小的时候就学会了如何区分食用蘑菇和毒蘑菇。蘑菇。游客可以在这里购买有这两种蘑菇的图片和特点的相关书籍;他们也可以把他们采摘的蘑菇带到当地派出所,请专家帮助他们免费检查这些蘑菇。

图1 采蘑菇时,要区分食用和有毒

下面是一个简化的例子,如图2所示。假设我们使用高度和宽度两个参数来区分这两种蘑菇。当然,一般来说,我们需要考虑更多的输入参数,比如颜色、形状、气味等,甚至更容易混淆的正(可食用)和负实例的概率分布。

图2 简化示例:使用两个特征(宽度和高度)区分食用蘑菇和毒蘑菇

那些懒惰的初学者在采摘蘑菇时遵循一个简单的模式。通常他们在采摘蘑菇之前没有学习任何相关知识。毕竟,他们来特伦蒂诺是为了度假,而不是为了工作。当他们找到蘑菇时,他们会在书中寻找相似的图片,然后在详细列表中仔细检查相似的特征。这是机器学习中的惰性“最近邻”算法在实际问题中的应用。

为什么这么简单的方法有效?我们可以用Natura non facit saltus(拉丁语为“自然不允许跳跃”)的原理来解释。自然事物和特征往往是逐渐变化的,而不是突然发生的。如果你拿书中的一种可食用蘑菇作为原型采蘑菇是什么梗,发现你采摘的蘑菇与原型蘑菇非常相似,那么你可能会认为你的蘑菇是可食用的。

免责声明:不要用这个简单的例子来区分真正的蘑菇,因为每个分类器都有一定的错误概率。此外,蘑菇分类中的误报(以毒蘑菇为食用)对您有害。对健康危害很大。

最近邻法

在机器学习领域,最近邻法的基本形式有基于案例的学习、基于案例的学习和基于记忆的学习。其工作原理如下:我们存储标记的实例(包括输入和相应的输出标记),并且在新的输入模式需要输出之前什么都不做。这样的系统称为惰性学习器:它们只存储这些实例,在用户询问之前不做其他任何事情。当一个新的输入模式到来时,我们在内存中找到那些与这个新模式相似的实例,输出由这些相似模式的输出决定,如图3所示。 一百多年来,这种形式统计学家和机器学习专家仍然广泛使用数据挖掘的分类问题和回归问题。

图 3 最近邻分类:清晰的情况(左)和不太清晰的情况(右)。在第二种情况下,用问号标记的查询点的最近邻属于负类,但其最近邻中有更多属于正类

简单来说,一个新的输入对应的输出就是内存中最近的实例的输出。如果我们要判断一个新遇到的蘑菇是否可以食用,我们把它放到我们记忆中最相似的蘑菇的类别中。

尽管非常简单,但这种技术在许多情况下却出奇地有效。但是,偷懒终究是一种方式,而且要为偷懒付出代价!不幸的是,识别新实例所需的时间可能与内存中的实例数量成正比采蘑菇是什么梗,除非使用不那么懒惰的方法。这就好比有一个学生,虽然他平时会买很多书,但是遇到问题才读这些书。

概要

KNN(K Nearest Neighbor)是一种原始的懒惰机器学习方法:它只是将所有训练示例(输入和相应的输出标签)存储在内存中。

当有新的输入需要计算对应的输出时,在内存中寻找k个最近的实例。读取它们的输出并根据它们的多数或平均值推导出新实例的输出。当存储大量实例时,训练阶段的惰性会使预测阶段的响应时间非常长。

相似的输入通常对应相似的输出。这是机器学习领域的一个基本假设,因此KNN方法在很多实际案例中都是有效的。它类似于一些人类“基于案例”的推理​​。这种方法虽然简单粗暴,但在很多真实案例中的效果却是惊人的。

《机器学习与优化》是机器学习领域的杰作。从机器学习的基本概念出发,旨在向初学者介绍机器学习的大门,走上实践之路。

本书阐述了机器学习中的监督学习和无监督学习,结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题,论证了“优化是力量的源泉”的观点,是一本强大的机器学习的工具。在企业中的应用提供了切实可行的操作建议。

LION方式:机器学习加智能优化

机器学习和优化

本文由佚名发布,不代表新营销立场,转载联系作者并注明出处:http://www.newmarketingcn.com/HuiYi/3436.html

留言与评论(共有 0 条评论)
   
验证码: